[发明专利]一种人脸识别的方法及系统

说明书

技术领域

本发明涉及生物识别技术领域，更具体的说，是涉及一种人脸识别的方法及系统。

背景技术

在过去的几十年中，人脸识别已经发展成为计算机视觉中非常流行的一个研究课题，同时也是在图像分析领域最为成功的一个应用。如今，人脸识别的研究有着重大的现实意义，一旦研究成功与投入应用，将产生巨大的社会和经济效益。人脸识别的研究算法中，主要分为两类。一类是基于图像的人脸识别算法，另一类是基于影像的人脸识别算法。基于图像的人脸识别算法起步较早，技术较为成熟；基于影像的人脸识别算法相对于基于图像的人脸识别算法较难，是近几年才开始发展，目前也已取得一定的成果。

P.J.Phillips提出了利用SVM(Support Vector Machines，支持向量机)来学习人脸图像之间的相似性，从而来进行人脸识别。在相似性学习中，Phillips提出了差空间的构造方法来构造样本对，在差空间中，着重研究同一类个体不同图像之间的差别和不同类个体之间的差别。实验结果表明，该方法与传统的基于PCA的方法相比，确实具有一定的优势。但是，差空间方法的样本复杂度非常高，例如有n幅人脸图像，则在差空间中会产生n²个训练样本对，再采用SVM来训练，计算复杂度也会非常的大，甚至会出现不能优化的情况；此外，由于差空间样本对构造方法可能会丢失部分信息，所以即使原两类样本具有很好的可分性，也会使差空间中的样本对出现严重的重叠，增加相似性学习的难度。

因此，提供一种快速的基于SVM相似性学习的人脸识别的方法及系统，来提高人脸识别的效率和降低相似性学习的难度，是本领域技术人员亟待解决的问题。

发明内容

有鉴于此，本发明提供了一种人脸识别的方法及系统，以克服现有技术中由于差空间方法的样本复杂度非常高，导致计算复杂度和相似性学习的难度增加的问题。

为实现上述目的，本发明提供如下技术方案：

一种人脸识别的方法，其特征在于，基于支持向量机SVM来学习人脸图像之间的相似性，包括：

对人脸训练数据构造相似性学习的原始训练样本，并对所述原始训练样本进行随机降维，生成相似性学习训练集；

将所述相似性学习的训练集采用支持向量机进行训练，生成分类器模型；

对人脸测试数据构造相似性学习的原始测试样本，并对所述原始测试样本进行随机降维，生成相似性学习测试集；

根据所述分类器模型对所述相似性学习测试集进行分类，得到所述相似性学习测试集的分类结果，根据所述相似性学习测试集的分类结果按照预设规则统计待测试样本与所述原始训练样本中每一类训练样本间的相似性概率，并将所述相似性概率最大值输出，得到人脸识别结果。

其中，所述对所述原始训练样本进行随机降维，生成相似性学习训练集具体为：

进行随机降维后，生成降维后的训练样本集，保持降维后的类别标记不变；

对于所述降维后的测试样本集中的任意两个样本，生成两个不同的二元样本对，判断两个样本类别是否相同，如果是，则所述新的二元对形式的训练样本集的类别值为+1，即正样本，如果否，则所述新的二元对形式的训练样本集的类别值为-1，即负样本；

对每个样本用K近邻的方法找出K个最近的异类点，将所述异类点存储在集合X_i^k中，生成相似性学习训练集。

其中，所述将所述相似性学习的训练集采用支持向量机进行训练，生成分类器模型具体为：

选择所述支持向量机的正则参数和高斯核函数，将所述相似性学习的训练集输入所述正则参数和高斯核函数，则得到分类器模型。

其中，所述对所述原始测试样本进行随机降维，生成相似性学习测试集具体为：

进行随机降维后，生成降维后的待测试样本集，保持降维后的类别标记不变；

对于所述降维后的待测试样本集中的样本与所述降维后的训练集中的每个样本生成二元样本对，所述二元样本对即为所述相似性学习测试集。

其中，所述根据所述相似性学习测试集的分类结果按照预设规则统计待测试样本与所述原始训练样本中每一类训练样本间的相似性概率具体为：

将所述相似性学习测试集的每个所述分类结果之和，分别与每一类原始测试样本的样本数量取商，将所述取商得到的结果作为待测试样本与所述原始训练样本中每一类训练样本间的相似性概率。

一种人脸识别的系统，基于支持向量机SVM来学习人脸图像之间的相似性，包括：